Real-Time Aligned Reward Model beyond Semantics

En 3 lignesR2M (Real-Time Aligned Reward Model) propose une nouvelle approche RLHF pour réduire l'overfitting du modèle de récompense. Au lieu de s'appuyer uniquement sur les représentations sémantiques, R2M utilise les états cachés évolutifs de la politique pour s'aligner en temps réel avec les changements de distribution pendant l'entraînement par renforcement.

Résumé généré par Claude — vérifié par l'humain